Оценка возможностей применения искусственных нейронных сетей для анализа нестационарных периодических сигналов в технических системах

Авторы

  • Сергей Александрович Попов Белгородский государственный технологический университет им. В.Г. Шухова https://orcid.org/0000-0002-4918-8951
  • Георгий Александрович Фальков Белгородский государственный технологический университет (БГТУ) имени В. Г. Шухова
  • Александр Семенович Горлов Белгородский государственный технологический университет им. В.Г. Шухова

DOI:

https://doi.org/10.17213/0136-3360-2024-2-62-69

Ключевые слова:

искусственные нейронные сети, интеллектуальный анализ данных, математическое моделирование, активные фильтры гармоник, системы управления, компенсация искажений, качество электроэнергии, MATLAB/Simulink

Аннотация

Рассмотрены способы применения искусственных нейронных сетей для анализа нестационарных периодических сигналов в технических системах. Данная задача обусловлена тем, что существующие методы оценки основной гармоники периодического сигнала тока, применяемые в активных фильтрах гармоник, несовершенны и имеют ряд проблем при нестационарных режимах. Представлен вариант использования для этой задачи искусственных нейронных сетей, обеспечивающих теоретически большую точность и скорость, по сравнению с классическими методами выделения основной гармоники сигнала. Проанализированы возможности такого применения с использованием математического и имитационного моделирования, а также инструментов разработки и оценки параметров искусственных нейронных сетей в программном комплексе Matlab-Simulink. В результате получена тестовая нейронная сеть, позволяющая с достаточно высокой точностью определить текущее значение тока основной гармоники, на основании ранее полученных значений в режиме работы, приближенном к реальному времени.

Биографии авторов

Сергей Александрович Попов, Белгородский государственный технологический университет им. В.Г. Шухова

аспирант, инженер, Белгородский государственный технологический университет им. В.Г. Шухова

Георгий Александрович Фальков, Белгородский государственный технологический университет (БГТУ) имени В. Г. Шухова

аспирант, инженер, Белгородский государственный технологический университет им. В.Г. Шухова

Александр Семенович Горлов, Белгородский государственный технологический университет им. В.Г. Шухова

канд. техн. наук, доцент, заведующий кафедрой «Высшая математика», Белгородский государственный технологический университет им. В. Г. Шухова

Библиографические ссылки

Schumann J., Gupta P., Liu Y. Application of Neural Networks in High Assurance Systems: A Survey. In: Schumann J., Liu Y. (eds) Applications of Neural Networks in High Assurance Systems. Studies in Computational Intelligence, Springer, Berlin, Heidelberg, 2010, vol. 268. https://doi.org/10.1007/978-3-642-10690-3_1.

Gurney K. An introduction to neural networks. CRC press, 2018. 317 p.

Craven M.W., Shavlik J.W. Using neural networks for data mining //Future generation computer systems. 1997. Vol. 13. № 2-3, pp. 211-229.

Haglin J.M., Jimenez G. & Eltorai, A.E.M. Artificial neural networks in medicine. Health Technol, 2019, 9, pp. 1-6. https://doi.org/10.1007/s12553-018-0244-4.

Amato F. et al. Artificial neural networks in medical diagnosis //Journal of applied biomedicine 2013. Vol. 11. №. 2, pp. 47-58. DOI:10.2478/v10136-012-0031- x.

Vasilakos A.V. et al. Neural networks for computer-aided diagnosis in medicine: a review // Neurocomputing. 2016. Vol. 216, pp. 700-708. DOI: 10.1016/j.neucom.2016.08.039.

Иванов Н. В. Нейронные сети в медицине //Сложные системы. 2018. №. 4. С. 46-70.

Chase R.J. et al. A Machine Learning Tutorial for Operational Meteorology, Part II: Neural Networks and Deep Learning // Weather and Forecasting. 2023.

Яременко И.А. Метод распределенной обработки метеорологической информации на основе технологий искусственных нейронных сетей // Труды Военно-космической академии имени А.Ф. Можайского. 2020. Вып. 674. С. 263-270.

Румянцев Ю.B., Романюк Ф.А. Разработка в MATLAB-Simulink искусственной нейронной сети для восстановления искаженной формы вторичного тока. Часть 1 // Изв. вузов и энергетических объединений СНГ. Энергетика 2021. Т. 64. №. 6. С. 479-491. DOI: 10.21122/1029-7448-2021-64-6-479-491.

Румянцев Ю.B., Романюк Ф.А. Разработка в MATLAB-Simulink искусственной нейронной сети для восстановления искаженной формы вторичного тока. Часть 2 // Изв. вузов и энергетических объединений СНГ. Энергетика 2022. Т. 65. №. 1. С. 5-21. DOI: 10.21122/1029-7448-2022-65-1-5-21.

Энгель Е.А., Энгель Н.Е. Система непрямого прогнозирования вырабатываемой электроэнергии массивом солнечных панелей на основе модифицированной нечеткой нейросети // Журнал Сибирского федерального ун-та. Техника и технологии. 2023. № 16(6). С. 744-758.

Полуянович Н.К., Дубяго М.Н. Оценка воздействующих факторов и прогнозирование электропотребления в регио-нальной энергосистеме с учетом режима ее эксплуатации // Известия ЮФУ. Технические науки. 2022. №2 (226). С. 31-46.

Васильев Г.В., Бердоносов В.Д. Методика по эффективному применению гибридных моделей нейронных сетей для прогнозирования энергопотребления // Электротехнические системы и комплексы. 2022. № 4(57). С. 88-95. DOI: 10.18503/2311-8318-2022-4(57)-88-95.

Марьясин О.Ю., Лукашов А.И., Смирнов Н.А. Прогнозирование рыночных цен на электроэнергию и часов пиковой нагрузки для региона Российской Федерации // Управление большими системами: сб. трудов. 2022. № 99. С. 81-113. DOI: 10.25728/ubs.2022.99.4.

Полуянович Н.К., Азаров Н.В., Дубяго М.Н. Нейрокомпьютерное управление пропускной способностью кабельных сетей посредством учета и контроля их параметров // Известия ЮФУ. Технические науки. 2022. № 3(227). С. 84-103. DOI: 10.18522/2311-3103-2022-3-84-103.

Гибридные системы управления качеством электроэнергии в распределительных сетях / В.П. Довгун, С.А. Темербаев, Н.П. Боярская, М.О. Чернышов // Журнал Сибирского федерального ун-та. Серия: Техника и технологии. 2015. Т. 8, № 8. С. 997-1009. DOI: 10.17516/1999-494X-2015-8-8-997-1009.

Повышение качества электроэнергии при нелинейных нагрузках в приводах мехатронных систем / М.Я. Альвардат, О.Э.-Л. Мболо, Л.В. Черненькая, В.Х. Лэ // Изв. Тульского гос. ун-та. Технические науки. 2023. № 4. С. 211-218. DOI: 10.24412/2071-6168-2023-4-211-218.

Бирюлин В.И., Куделина Д.В., Брежнев И.В. Исследование проблем качества электроэнергии в сетях напряжением 0,4 кВ // Изв. вузов. Проблемы энергетики. 2022. Т. 24. № 2. С. 73-85. DOI: 10.30724/1998-9903-2022-24-2-73-86.

Попов С.А., Попова А.Ю., Фальков Г.А. Применение имитационного моделирования для анализа качества электро-энергии в низковольтных промышленных сетях // Образование. Наука. Производство: материалы XIV Междунар. молодежно-го форума, Белгород, 13–14 октября 2022 г. Белгород: Белгородский гос. технол. ун-т им. В.Г. Шухова, 2022. С. 147-152.

Сычев Ю.А., Аладьин М.Е., Зимин Р.Ю. Многофункциональные фильтрокомпенсирующие устройства в комбиниро-ванных системах электроснабжения предприятий минерально-сырьевого комплекса // Горный информационно-аналитический бюллетень (научно-технический журнал). 2022. № 7. С. 164-179. DOI: 10.25018/0236_1493_2022_7_0_164.

Повышение качества электроэнергии на промышленных предприятиях за счет применения активного фильтра гармо-ник / Р.В. Клюев, И.И. Босиков, О.А. Гаврина, В.И. Голик // Изв. Тульского гос. ун-та. Науки о Земле. 2022. № 2. С. 313-324. DOI: 10.46689/2218-5194-2022-2-1-313-324.

Силовой преобразователь с активным подавлением высших гармоник для систем электроснабжения летательных ап-паратов / А.С. Анучин, В.И. Кульманов, Р. Стжелецки, Г.Л. Демидова // Изв. вузов. Приборостроение. 2020. Т. 63. № 5. С. 417-428. DOI: 10.17586/0021-3454-2020-63-5-417-428.

Жуков Н.А. Имитационное моделирование систем управления активными фильтрами // Электротехнические системы и комплексы. 2017. № 4(37). С. 27-31. DOI: 10.18503/2311-8318-2017-4(37)-27-31.

Dhoriyani S.L., Kundu P. Comparative group THD analysis of power quality disturbances using FFT and STFT //2020 IEEE First International Conference on Smart Technologies for Power, Energy and Control (STPEC). IEEE, 2020, pp. 1-6. DOI: 10.1109/stpec49749.2020.9297759.

Grabusts P., Zorins A. Data mining teaching possibilities using Matlab // SOCIETY. INTEGRATION. EDUCATION. Pro-ceedings of the International Scientific Conference, 2018. Vol. 5, pp. 260-271. DOI: 10.17770/sie2018vol1.3091.

Kim P. Matlab deep learning // With machine learning, neural networks and artificial intelligence. 2017. Vol. 130, №. 21.

Yu H., Wilamowski B.M. Levenberg-Marquardt training // Intelligent systems. CRC Press. 2018, pp. 12-1-12-16.

#

Schumann, J., Gupta, P., Liu, Y. Application of Neural Networks in High Assurance Systems: A Survey. In: Schumann, J., Liu, Y. (eds) Applications of Neural Networks in High Assurance Systems. Studies in Computational Intelligence. Springer, Berlin, Heidelberg. 2010;(268). DOI:10.1007/978-3-642-10690-3_1.

Gurney K. An introduction to neural networks. CRC press; 2018. 317 p.

Craven M.W., Shavlik J.W. Using neural networks for data mining. Future generation computer systems. 1997;13(2-3):211-229.

Haglin, J.M., Jimenez, G. & Eltorai, A.E.M. Artificial neural networks in medicine. Health Technol.2019;(9):1–6. DOI: 10.1007/s12553-018-0244-4.

Amato F. et al. Artificial neural networks in medical diagnosis. Journal of applied biomedicine. 2013;11(2):47-58. DOI:10.2478/v10136-012-0031- x.

Vasilakos A.V. et al. Neural networks for computer-aided diagnosis in medicine: a review. Neurocomputing. 2016;(216):700-708. DOI: 10.1016/j.neucom.2016.08.039.

Ivanov N.V. Neural networks in medicine. Complex systems. 2018;(4):46-70. (In Russ.)

Chase R. J. et al. A Machine Learning Tutorial for Operational Meteorology, Part II: Neural Networks and Deep Learning. Weather and Forecasting. 2023.

Yaremenko I.A. A method of distributed processing of meteorological information based on artificial neural network technolo-gies. Proceedings of the Military Space Academy named after A.F.Mozhaisky. 2020;(S674):263-270. (In Russ.)

Rumyantsev Yu.B., Romanyuk F.A. Development of an artificial neural network in MATLAB-Simulink to restore the distort-ed shape of the secondary current. Part 1. Energy. Proceedings of higher educational institutions and energy associations of the CIS. 2021; 64(6):479-491. (In Russ.) DOI: 10.21122/1029-7448-2021-64-6-479-491.

Rumyantsev Yu.B., Romanyuk F.A. Development of an artificial neural network in MATLAB-Simulink to restore the distort-ed shape of the secondary current. Part 2. Energy. Proceedings of higher educational institutions and energy associations of the CIS. 2022;65(1):5-21. (In Russ.) DOI: 10.21122/1029-7448-2022-65-1-5-21.

Engel' E.A., Engel' N.E. A system for indirect forecasting of electricity generated by an array of solar panels based on a modi-fied fuzzy neural network. Journal of the Siberian Federal University. Engineering and technology. 2023;16(6):744-758. (In Russ.)

Poluyanovich N.K., Dubyago M.N. Assessment of influencing factors and forecasting of power consumption in the regional energy system, taking into account its operation mode. Izvestiya SFedU. Engineering Sciences. 2022; 2(226):31-46. (In Russ.)

Vasil'ev G.V., Berdonosov V.D. A methodology for the effective use of hybrid neural network models for predicting energy consumption. Electrical engineering systems and complexes. 2022;4(57):88-95. (In Russ.) DOI: 10.18503/2311-8318-2022-4(57)-88-95.

Mar'yasin, O.Yu., Lukashov A.I., Smirnov N.A. Forecasting of market prices for electricity and peak load hours for the region of the Russian Federation. Managing large systems: a collection of works. 2022;(99):81-113. (In Russ.) DOI: 10.25728/ubs.2022.99.4.

Poluyanovich N.K., Azarov N.V., Dubyago M.N. Neurocomputer control of the bandwidth of cable networks by taking into account and controlling their parameters. Izvestiya SFedU. Engineering Sciences. 2022;3(227):84-103. (In Russ.) DOI: 10.18522/2311-3103-2022-3-84-103.

Dovgun V.P., Temerbaev S.A., Boyarskaya N.P., Chernyshov M.O. Hybrid power quality management systems in distribu-tion networks. Journal of the Siberian Federal University. Series: Engineering and Technology. 2015;8(8):997-1009. (In Russ.) DOI: 10.17516/1999-494X-2015-8-8-997-1009.

Al'vardat M.Ya., Mbolo O.E.-L., Chernen'kaya L.V., Le V.Kh. Improving the quality of electricity under nonlinear loads in the drives of mechatronic systems. Proceedings of Tula State University. Technical sciences. 2023;(4):211-218. (In Russ.) DOI: 10.24412/2071-6168-2023-4-211-218.

Biryulin, V.I., Kudelina D.V., Brezhnev I.V. Investigation of problems of electricity quality in 0.4 kV networks. Proceedings of higher educational institutions. Energy problems. 2022;24(2):73-85. (In Russ.) DOI: 10.30724/1998-9903-2022-24-2-73-86.

Popov S.A., Popova A.Yu., Fal'kov G.A. The use of simulation modeling for analyzing the quality of electricity in low-voltage industrial networks. Education. Science. Production: Materials of the XIV International Youth Forum. Belgorod, 13-14 October, 2022. Belgorod State Technological University named after V.G. Shukhov; 2022. Pp. 147-152. (In Russ.)

Sychev Yu.A., Alad'in M.E., Zimin R.Yu. Multifunctional filter compensating devices in combined power supply systems of enterprises of the mineral resource complex. Mining information and analytical bulletin (scientific and technical journal). 2022;(7):164-179. (In Russ.) DOI: 10.25018/0236_1493_2022_7_0_164.

Klyuev R.V., Bosikov I.I., Gavrina O.A., Golik V.I. Improving the quality of electricity in industrial enterprises through the use of an active harmonic filter. Proceedings of Tula State University. Earth Sciences. 2022;(2):313-324. (In Russ.) DOI: 10.46689/2218-5194-2022-2-1-313-324.

Anuchin A.S., Kul'manov V.I., Stzheletski R., Demidova G.L. A power converter with active suppression of higher harmonics for aircraft power supply systems. News of higher educational institutions. Instrumentation. 2020; 63(5):417-428. (In Russ.) DOI: 10.17586/0021-3454-2020-63-5-417-428.

Zhukov N.A. Simulation of active filter control systems. Electrical engineering systems and complexes. 2017;4(37):27-31. (In Russ.) DOI: 10.18503/2311-8318-2017-4(37)-27-31.

Dhoriyani S.L., Kundu P. Comparative group THD analysis of power quality disturbances using FFT and STFT. 2020 IEEE First International Conference on Smart Technologies for Power, Energy and Control (STPEC). IEEE. 2020. Pp. 1-6. DOI: 10.1109/stpec49749.2020.9297759.

Grabusts P., Zorins A. Data mining teaching possibilities using Matlab. SOCIETY. INTEGRATION. EDUCATION. Proceed-ings of the International Scientific Conference. 2018;(5):260-271. DOI:10.17770/sie2018vol1.3091.

Kim P. Matlab deep learning. With machine learning, neural networks and artificial intelligence. 2017;130(21).

Yu H., Wilamowski B.M. Levenberg-Marquardt training. Intelligent systems. CRC Press. 2018. Pp. 12-1-12-16.

Опубликован

28.06.2024

Как цитировать

(1)
Попов, С. А.; Фальков, Г. А.; Горлов, А. С. Оценка возможностей применения искусственных нейронных сетей для анализа нестационарных периодических сигналов в технических системах. electromeh 2024, 67, 62-69.

Выпуск

Раздел

Статьи